![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
ABSTRAK Sukristiyanti
PUBLIC Irwan Sofiyan ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
COVER_Sukristiyanti.pdf
PUBLIC Irwan Sofiyan ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB I_Sukristiyanti.pdf
PUBLIC Irwan Sofiyan ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB II_Sukristiyanti.pdf
PUBLIC Irwan Sofiyan ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB III_Sukristiyanti.pdf
PUBLIC Irwan Sofiyan ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB IV_Sukristiyanti.pdf
PUBLIC Irwan Sofiyan ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB V_Sukristiyanti.pdf
PUBLIC Irwan Sofiyan ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
PUSTAKA Sukristiyanti
PUBLIC Irwan Sofiyan ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
LAMPIRAN_Sukristiyanti.pdf
PUBLIC Irwan Sofiyan
Pemodelan kerentanan longsoran (landslide susceptibility modeling/ LSM) merupakan langkah awal dalam mitigasi bencana longsoran. Model non-linear machine learning sangat tepat digunakan untuk melakukan prediksi spasial kerentanan longsoran. LSM berbasis machine learning membutuhkan variabel independen (faktor topografi, geologi, hidrologi, dan faktor antropogenik) dan variabel dependen (objek longsoran dan non-longsoran). Objek longsoran merupakan lokasi kejadian longsoran dari data inventarisasi longsoran. Sementara itu, objek non-longsoran merupakan lokasi yang aman dari longsoran, yang belum tersedia datanya dan harus ditentukan setelah lokasi kejadian longsoran diketahui. Hingga saat ini, belum ada pendekatan pemerolehan data non-longsoran yang representatif, sehingga penelitian ini dilakukan.
Analisis statistik bivariate antara lokasi longsoran dengan variabel independen memberikan informasi probabilitas longsoran pada setiap kelas dari sejumlah variabel yang digunakan. Hasil analisis statistik bivariate WoE (weight of evidence) digunakan untuk mengonversi variabel independen yang bertipe data nominal menjadi numerik dan untuk memperoleh sampel non-longsoran yang disampling dari kelas terendah peta LSM WoE (pendekatan baru pemerolehan data non-longsoran). Sampel non-longsoran dari pendekatan baru tersebut diperbandingkan dengan sampel non-longsoran dari pendekatan-pendekatan sebelumnya, dengan diujikan pada LSM berbasis machine learning (random forest/RF dan support vector machine/SVM). Kebaruan dari penelitian ini adalah pendekatan baru untuk memperoleh data non-longsoran, yang dapat meningkatkan akurasi model (test f1-score) sebesar 12,4% – 25,7% (akurasi model berubah dari 0,833 dan 0,7 menjadi 0,957), pada model WoE-RF-SBS (weight of evidence-random forest-with spatially balanced sampling). Kebaruan ini memberikan kontribusi dalam mendukung kegiatan mitigasi bencana khususnya pada kegiatan pemetaan kerentanan longsoran berbasis machine learning.